論文の概要: DeepMIDE: A Multivariate Spatio-Temporal Method for Ultra-Scale Offshore Wind Energy Forecasting

• arxiv url: http://arxiv.org/abs/2410.20166v1
• Date: Sat, 26 Oct 2024 12:51:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:16:08.145893
• Title: DeepMIDE: A Multivariate Spatio-Temporal Method for Ultra-Scale Offshore Wind Energy Forecasting
• Title（参考訳）: DeepMIDE:超大規模オフショア風力予測のための多変量時空間法
• Authors: Feng Ye, Xinxi Zhang, Michael Stein, Ahmed Aziz Ezzat,
• Abstract要約: DeepMIDEは、空間、時間、高さのオフショア風速を共同でモデル化する統計的深層学習手法である。 DeepMIDEは、米国北東部の将来のオフショア風力発電所の実際のデータでテストされている。
• 参考スコア（独自算出の注目度）: 5.6643735712930035
• License:
• Abstract: To unlock access to stronger winds, the offshore wind industry is advancing with significantly larger and taller wind turbines. This massive upscaling motivates a departure from univariate wind forecasting methods that traditionally focused on a single representative height. To fill this gap, we propose DeepMIDE--a statistical deep learning method which jointly models the offshore wind speeds across space, time, and height. DeepMIDE is formulated as a multi-output integro-difference equation model with a multivariate, nonstationary, and state-dependent kernel characterized by a set of advection vectors that encode the physics of wind field formation and propagation. Embedded within DeepMIDE, an advanced deep learning architecture learns these advection vectors from high dimensional streams of exogenous weather information, which, along with other parameters, are plugged back into the statistical model for probabilistic multi-height space-time forecasting. Tested on real-world data from future offshore wind energy sites in the Northeastern United States, the wind speed and power forecasts from DeepMIDE are shown to outperform those from prevalent time series, spatio-temporal, and deep learning methods.
• Abstract（参考訳）: 強い風へのアクセスを解き放つために、オフショアの風力産業は、はるかに大きくて高い風力タービンで前進している。 この大規模な上昇は、伝統的に1つの代表的高さに焦点を絞った一変量の風速予測方法から逸脱する動機となっている。 このギャップを埋めるために,空間,時間,高さのオフショア風速を共同でモデル化する統計的深層学習法DeepMIDEを提案する。 DeepMIDEは、多変量、非定常、および状態依存のカーネルを持つ多出力積分微分方程式モデルとして定式化され、風場の形成と伝播の物理を符号化する対流ベクトルの集合によって特徴づけられる。 DeepMIDE内に埋め込まれた高度なディープラーニングアーキテクチャは、これらの対流ベクトルを外因性気象情報の高次元ストリームから学習し、他のパラメータとともに確率的マルチハイト時空予測の統計モデルにプラグインされる。 米国北東部の将来の沖合風力エネルギーの実際のデータに基づいて、DeepMIDEの風速と電力予測は、一般的な時系列、時空間、深層学習の手法よりも優れていることを示した。

関連論文リスト

• Interpolation-Free Deep Learning for Meteorological Downscaling on Unaligned Grids Across Multiple Domains with Application to Wind Power [0.0]
  風力発電は加速し、その効率性を確保するためには信頼性の高い風力確率予測が不可欠である。 数値風速予測モデルは計算に費用がかかるため、全てのメソスケール風速を捉えるには大きすぎる解像度で確率予測が生成される。 統計的ダウンスケーリングは、低分解能(LR)変数から高分解能(HR)気象変数への写像を学習することで、計算コストの低い実行可能な解を提供する。
  論文  参考訳（メタデータ） (2024-10-04T22:04:40Z)
• TCNFormer: Temporal Convolutional Network Former for Short-Term Wind Speed Forecasting [9.47727784069628]
  本研究は,短期(12時間)の風速予測のための時間的コンテンポラル前駆体 (TCNFormer) を提案する。 以上の結果から,TNFormerは予測精度において最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-27T15:35:42Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind Prediction [3.2474405288441544]
  本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。 MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。 MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
  論文  参考訳（メタデータ） (2023-09-09T09:36:28Z)
• ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction [55.30913411696375]
  本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。 エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。 降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
  論文  参考訳（メタデータ） (2023-09-01T07:55:53Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Multi Scale Graph Wavenet for Wind Speed Forecasting [0.0]
  風速予測のための新しいディープラーニングアーキテクチャであるマルチスケールグラフウェーブネットを提案する。 グラフ畳み込みニューラルネットワークに基づいて、時系列気象データにおける空間的および時間的関係をキャプチャする。 デンマークの異なる都市で観測された実風速データについて実験を行い、その結果を最先端のベースラインモデルと比較した。
  論文  参考訳（メタデータ） (2021-09-30T16:18:30Z)
• Deep Spatio-Temporal Wind Power Forecasting [4.219722822139438]
  エンコーダ・デコーダ構造に基づく深層学習手法を開発した。 本モデルでは,風力タービンが発生した風力を,他のタービンと比較して空間的位置と過去の風速データを用いて予測する。
  論文  参考訳（メタデータ） (2021-09-29T16:26:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。